机器学习中的混淆矩阵

在我们的机器学习教程（前面的章节Python和NumPy的神经网络和神经网络从头开始），我们实现的各种算法，但是我们没有正确地测量输出的质量。主要原因是我们使用非常简单的小数据集来学习和测试。在Neural Network: Testing with MNIST一章中，我们将使用大型数据集和 10 个类，因此我们需要适当的评估工具。本章我们将介绍混淆矩阵的概念：
甲混淆矩阵是可用于测量机器学习算法的性能的矩阵（表），通常是一个监督学习一个。混淆矩阵的每一行代表一个实际类的实例，每一列代表一个预测类的实例。这是我们在教程的这一章中保留它的方式，但也可以是相反的方式，即预测类的行和实际类的列。名称混淆矩阵反映了这样一个事实，即它让我们很容易看到我们的分类算法中发生了什么样的混淆。例如，算法应该将样本预测为C一世 因为实际的类是 C一世，但算法出来了 Cj. 在这种错误标记元素的情况下C米[一世,j] 构造混淆矩阵时，将增加 1。
我们将在以下课程中定义计算混淆矩阵、精度和召回率的方法。
2级案例
在 2 类情况下，即“负”和“正”，混淆

机器学习中的混淆矩阵最先出现在Python成神之路。